AI在无线系统中的应用案例

作者：Houman Zarrinkoub， MathWorks, Natick, Mass.

在过去二十年里，移动无线技术经历了从 3G 到 4G，再到 5G 与诸如工业 4.0 等先进应用的重大演进。相应的，无线系统设计也已变得更加复杂。面对这种复杂性，越来越多的工程师选择借助AI（artificial intelligence，人工智能）的能力来应对这些现代系统所带来的挑战。

当下，AI 正被用于包括优化通话性能、管理自动驾驶汽车的 V2V（vehicle-to-vehicle，车到车）与 V2X（vehicle-to-everything，车到万物）通信等在内的各种无线场景中，籍此促进现代无线应用的增长。随着无线网络中设备数量和功能的增加，AI必将在未来的无线技术中发挥更加重要的作用。因此，工程师很有必要考虑AI在无线系统中的关键优势和最优实现，以确保无线系统能够呈现最优性能。

AI 在无线系统中的应用案例

移动网络向 5G 的演进是由三个主要需求驱动的：对宽带网络速度和质量的优化，对超可靠、低延迟通信的需求，以及在工业 4.0 中设备间对时间敏感的通信。

此外，不断扩大的用户群及越来越多的设备对网络资源的争夺导致无线系统日益复杂。面对这种情况，以往由人工制定规则所主导的传统线性设计模型和传统数据处理方法已不再能够满足当下需求。相比之下，AI 技术可以通过自动和高效的建模来有效解决非线性问题，而这已然超出了人工方法的能力。

基于机器学习和深度学习等方法实现的 AI 模型可赋予无线系统识别信道模型的能力。集成上述 AI 模型的无线系统可通过优化分配链路资源来提高自身性能。而在非 AI 策略的情况下，数量庞大的现代网络应用会争夺相同的资源，导致管理这些网络成为一项几乎不可能的任务。

同时，AI 的先进性还体现在可通过如模型降阶等操作更高效地推进项目开发进度。例如，工程师可以对网络环境行为进行估计与仿真并将其直接纳入算法模型，从而使用极少的计算资源快速研究影响系统的主要因素。这使工程师们可以节省更多的时间并将之用于探索与设计。因此，项目实现了更快更多的迭代，项目的生产周期及相关成本也相应降低。

在无线系统中部署 AI 之最佳实践

数据质量对于 AI 的成功和有效部署是至关重要的。AI 模型需要使用全面的数据进行训练，以充分应对现实场景中的各种可能情况。MathWorks 的5G 工具箱等可通过数据基元综合生成新数据，或通过空口采集数据。此举可为 5G 网络工程师提供必要的数据多样性，从而使其能够稳健地训练 AI。如果工程师不能获取足够的训练数据集，反而仅在有限的数据集上迭代不同的算法，那么被训练模型很可能会陷入局部最优而非理想的全局最优，这必然会降低所得 AI 模型在真实场景中的可靠性。

另一方面，能够在现实场景中对 AI 进行稳健充分的测试对于最终成功同样至关重要。如果采集到的测试数据只能覆盖若干片面的场景，那么这些数据所缺乏的多样性很可能会在工程师设计和优化其系统过程中产生负面效应。没有全面而充分的实测数据支持，所得到的AI模型就会对一些特殊场景及其衍生束手无策，这必然会对无线系统性能产生不利影响。

AI 在各行业中的应用越来越多

从电信到汽车的各行各业都接受了数字化转型，这反过来增加了采用 AI 的必要性，并已然成为 AI 应用的主要驱动力之一。在依赖互联的智能家居、电信网络和自动驾驶汽车等应用中，集成的电子传感器会产生大量的数据。如此海量的数据促进了未来 AI 技术的发展，从而能够加快这些行业的数字化转型进程，但同时这也会使网络资源捉襟见肘。

在电信领域，AI 被部署在自物理层开始向上的应用中。利用 AI 改善用户间通话性能通常在物理层操作。AI 技术在物理层上的应用包括数字预失真、信道估计和信道资源优化等，同时还有涵盖了通话期间收发系统各参数的自动调整的自动编码器设计。

信道优化增强了基站、终端等设备两两之间的连接。而通过指纹识别和信道状态信息压缩等过程，AI 可以帮助克服局部环境中的信号多样性变化。

基于指纹技术，AI 被用于优化无线网络定位。在原本稳定的室内电磁环境中，待测目标于不同位置的存在会引发相应的电磁传播扰动。根据上述原理，AI 可通过采集到的个性化信号变化估计出目标的位置。相较传统将接收信号强度与数据库进行比对从而定位，AI 能够克服诸多影响定位精度的不利因素。另一方面，信道状态信息压缩也可借助AI来实现。通常，用户终端与基站间存在用于改善通话性能的反馈回路，用于传递从用户终端到基站的反馈数据。基于 AI 的信道状态信息压缩确保上述过程不会超出可用带宽范围，从而导致通话中断，将这一改善举措弄巧成拙。

物理层以上的工作主要在于资源分配和网络管理应用。随着网络中的用户和用例数量倍增，网络工程师正在寻求借助 AI 技术来实时响应资源分配请求。针对网络中的竞争性用户和用例需求，工程师可采用基于 AI 的波束管理、频谱分配等资源调度功能，优化核心系统资源管理过程。

在汽车行业，利用AI进行无线连接使安全的自动驾驶成为可能。自动驾驶、V2V/V2X 依赖于包括 LiDAR、雷达和无线传感器在内的多种来源的数据以解释环境。自动驾驶汽车中的硬件必须管理来自这些竞争性来源的数据以有效运行。AI 能够通过传感器融合将这些竞争数据合并，从而帮助车辆对其自身与环境中的信息建立全方位的理解，并决定其二者如何互动。这种通信方式赋予了车辆 360 度的视角，进而感知其它车辆及其附近的潜在碰撞威胁。最终，无论是通知驾驶员还是自主决策并控制，AI 的参与都会减少车祸，极大改善道路交通安全。

AI 在无线系统设计中的重要性正在不断增加

随着无线技术的用例越来越多，在无线系统中部署AI的需求也在不断扩大。从 5G 到自动驾驶汽车再到物联网，如果不使用 AI，这些应用将很可能不具备有效运行所需的先进性。近年来，AI 在无线系统设计为代表的工程领域中的地位一直在迅速提高。随着现代无线网络用例和用户数量的增加，可以预计这种变化的步伐将继续下去，甚至加快。

审核编辑：汤梓红